[论文解读] Femto-Caching with Soft Cache Hits: Improving Performance through Recommendation and Delivery of Related Content

Pavlos Sermpezis, Spyropoulos, Thrasyvoulos+2 more|arXiv (Cornell University)|Feb 16, 2017

Caching and Content Delivery参考文献 23被引用 9

一句话总结

本文提出了一种新型的软缓存命中机制，应用于小细胞缓存系统中，当用户请求的内容不可用时，系统会推荐相关且本地缓存的内容，显著提升缓存命中率。通过将推荐感知缓存与边缘缓存相结合，该方法在用户对推荐内容接受度为50%的情况下，命中率最高可提升至2倍——例如，从15%提升至27%，实验基于真实YouTube数据集和合成数据轨迹。

ABSTRACT

Pushing popular content to cheap "helper" nodes (e.g., small cells) during off-peak hours has recently been proposed to cope with the increase in mobile data traffic. User requests can be served locally from these helper nodes, if the requested content is available in at least one of the nearby helpers. Nevertheless, the collective storage of a few nearby helper nodes does not usually suffice to achieve a high enough hit rate in practice. We propose to depart from the assumption of hard cache hits, common in existing works, and consider "soft" cache hits, where if the original content is not available, some related contents that are locally cached can be recommended instead. Given that Internet content consumption is entertainment-oriented, we argue that there exist scenarios where a user might accept an alternative content (e.g., better download rate for alternative content, low rate plans, etc.), thus avoiding to access expensive/congested links. We formulate the problem of optimal edge caching with soft cache hits in a relatively generic setup, propose efficient algorithms, and analyze the expected gains. We then show using synthetic and real datasets of related video contents that promising caching gains could be achieved in practice.

研究动机与目标

• 解决由于本地存储受限，即使采用小细胞缓存，移动边缘缓存中缓存命中率仍然偏低的问题。
• 提出一种新模型，允许用户在无法获取原始内容时接受相关且已缓存的本地内容，从而避免昂贵的远程访问。
• 在软缓存命中模型下优化边缘缓存策略，以最大化有效缓存利用率和命中率。
• 证明将软缓存命中与小细胞缓存结合，可带来显著优于传统缓存方法的性能增益。
• 使用合成数据和真实世界YouTube视频相关内容数据集对方法进行验证。

提出的方法

• 构建一个通用的软缓存命中（SCH）模型，将用户对相关缓存内容的接受行为建模为概率性或基于效用的决策。
• 将带有软缓存命中的边缘缓存问题建模为NP难优化问题，并提出具有性能保证的高效近似算法。
• 将模型扩展至小细胞缓存场景，其中用户可访问多个附近的基站，利用聚合缓存容量。
• 在缓存决策过程中整合内容相似度与用户对推荐内容的接受度，使用真实YouTube相关视频数据来建模内容关联性。
• 采用基于效用的框架，使用户对推荐内容的满意度影响软缓存命中的有效性。
• 将所提算法应用于合成数据集和真实数据集，测量在不同用户接受概率下缓存命中率的提升情况。

实验结果

研究问题

• RQ1 当用户接受相关缓存内容时，软缓存命中机制在小细胞缓存系统中能多大程度上提升缓存命中率？
• RQ2 用户接受推荐内容的意愿如何影响所提缓存模型的性能增益？
• RQ3 在软缓存命中机制下，最优缓存策略是什么？尽管该问题为NP难问题，如何高效计算？
• RQ4 当在现有小细胞缓存或缓存协作机制基础上应用软缓存命中机制时，其性能增益如何？
• RQ5 真实世界的内容关联关系（如YouTube视频推荐）能否被有效利用以提升边缘缓存性能？

主要发现

• 所提出的软缓存命中模型在用户以50%概率接受推荐内容时，缓存命中率最高可提升至2倍——从15%提升至27%。
• 性能增益在合成数据集和真实YouTube视频相关内容轨迹中均保持一致，表明对数据分布具有鲁棒性。
• 随着用户对相关缓存内容接受概率的提高，系统越来越多地利用软缓存命中机制，从而减少对远程内容传输的依赖。
• 即使在低接受率下，该框架依然有效，当接受率降至零时，系统性能收敛至标准小细胞缓存水平。
• 所提出的近似算法在保证性能的同时具备可证明的性能保障，使该方案在真实部署中具备可扩展性和实用性。
• 将推荐系统与边缘缓存相结合，为显著提升网络效率提供了切实可行的路径，且不会损害用户体验。